硅谷 AI 大转弯与二级市场的牛市｜对谈莫傑麟

81分钟的录音，录在硅谷。曲凯又见到莫傑麟。半年前两人聊「东升西落」，那时DeepSeek和Manus刚点燃国内市场，美股跌进深坑。半年后，GPT-5发布，Agent热潮冷却，Meta用天价挖人，市场的叙事换了一副面孔。

这期复盘里，莫傑麟给出一个核心判断：AI进入新的提速周期，观察指标从Scaling Law转向Token消耗。模型竞争从「谁更聪明」转向「谁能把已有智能用得更快、更省、更稳定」。Infra成为主战场，整合成为关键词。

两人还聊了英伟达估值逻辑的变化、散户在这轮波动中的角色、A股牛市判断、一级市场两极分化，以及Reddit、ServiceNow、Figma这些具体公司。莫傑麟团队最近在做WhatIf项目，想把投研经验和AI实践结合起来。下面按时间顺序整理。

Token消耗取代Scaling Law，AI进入提速周期 0:00:59

莫傑麟先给过去半年定调。去年大家还在讲技术训练撞墙，今年市场感受出现完全的大转弯，逐步达成共识：AI发展又进入很快的阶段。这中间最重要的变化，是用Token消耗量衡量行业，它类似互联网时代的流量。

他记得一个数字：7月在6月基础上增长20%以上。这个增速让他想起移动互联网增长最快的一段。美国市场从消费者到企业，对模型的采用都在变长。AI从大家期待的外来武器，逐步变成嵌入每个Workflow、日常生活的工具。这个转变今年很安静，大家没怎么关注，延伸速度却很快。

同期发生的还有开源闭源模型密集发版、Infra建设推进、中国和美国应用出现亮点。莫傑麟用一句话概括：整个行业从最底层GPU、模型到最上层应用，都在不断提速。

曲凯追问Token消耗里谁贡献最大。莫傑麟拆成几块：OpenAI、Anthropic、xAI等AI lab自身产品；To C生产力工具；企业端场景；模型之外的应用。大盘仍在几家核心AI lab手上。国内豆包、DeepSeek是最大贡献来源。DeepSeek出来后，很多竞品的数据也有两倍以上变化，整个行业被带起来，并非零和博弈。

ChatGPT的日活和使用时长一直在增长，增速越来越像移动互联网时期的社交产品。莫傑麟解释，需求端比想象强。企业端要解放生产力，替代人，至少在有人参与的场景提高稳定性；消费者端要替代搜索，完成一些工作。模型哪怕停在当前级别，使用场景的解锁已经非常充分。创业公司和客户端让可用性变强，需求在释放，这很像移动互联网产品的逻辑。

模型哪怕在这个级别上不进步了，使用场景的解锁已经非常充分。

曲凯把线索接回上一年的关键词Scaling Law。莫傑麟认为，Scaling Law阶段的核心名词是AGI，大家期待模型证明自己超过常人，需求来自这条线。现在的问题变成产业化、工业化。Token成了更准确的衡量指标：应用公司看消耗量，Infra公司看传输速度、成本、稳定性。

模型公司没有放弃智能，位置仍然强势。AI产品最重要的仍然是智能水平，用户要感受到这个东西能替代人、高于人做事。变化在于模型需要被封装进商业环境，和推理、产品一起变成解决方案。Manus之后，Context layer和Agentic layer也被视为产品的一部分。

行业从单一讲Scaling Law，过渡到一套逐渐清晰的产业分工：模型、产品、Infra、Context各就各位，主轴是Token。

莫傑麟提到o1。o1刚发布时声音不大，回头看，它解锁了情商，让聊天更丝滑，降低用户写Prompt的难度。GPT-5延续这条线，没有试图证明智商高多少，重点在整合工具、Stack、前端界面，让开发者觉得好用。

评估模型好坏的工具有些失效。OpenAI、Google拿IMO金牌银牌，说明基准测试进入瓶颈。莫傑麟在很多场景里已经很难判断模型进步与否。产业化阶段最重要的指标变成成本，性能不变，足够便宜，产业化速度就会加快。曲凯问这是否意味着大家不再预期AGI，莫傑麟的回答是预期被修正，行业接受当前架构，智能靠预训练、后训练、应用各环节一点点挤出来，叠加起来仍有几十的增长区间，结构大致定型。

GPT-5没想拼智商，拼的是全栈效率与整合 0:07:31

GPT-5发布后评价褒贬不一。莫傑麟的看法是，这一代产品把很多旧模型、工具、Stack、前端界面收进模型，开发者生态的反应是「好用」。它证明自己离AGI更近的方式，从Scaling Law转向推理能力、实用性和易用性。

他把AI产品形态分了几段。聊天对话框已经完整进入应用阶段。Agent更像移动互联网时代的App界面：过去每个公司需要一个App，现在一个使用场景或产品需要一个Agent。Agent对Token消耗、稳定性、速度、成本提出更高要求。Manus的Credit很快用完，说明优化才刚开始，Agent的Token成本大家还没开始节约。

模型和应用的分工在变。莫傑麟认为，模型仍处在强势位置，智能水平决定用户感受。但模型需要被封装成商业价值，不能只说自己厉害。另一方面，产品层面的Context layer也很重要，它构成解决方案的一部分。随着强化学习发展，大家也接受一件事：上下文时长在扩大，使用场景变多，但Coding和数学之外，很难找到做Validation的方式。于是先用产品形式让用户用起来，再找Context layer和Agentic的机会。

曲凯提醒，过去两年应用公司都基于模型能力套壳。Character.ai陪伴类产品基于GPT-3.5的聊天能力，Agent基于o1的推理能力。多模态模型解锁新能力后，套壳多模态的公司会做出新的Manus。莫傑麟同意这条线索，同时指出一个不太健康的趋势：AI Coding市场在美国也卷得厉害，大厂做，创业公司做，合并、收购频繁，真正有PMF的东西相对少。

模型公司发现解锁更多智能很难，就把已经有PMF的套壳场景顺手做掉。OpenAI今年招聘创业公司的访者去内部做产品，Google反应速度变快，Manus、Genspark、Cursor开始做模型和推理。技术公司和产品公司的边界模糊了。莫傑麟说，新组织会尝试技术、产品、Infra一起做，除了GPU那一环，模型公司想往端到端走。

这个时代最重要的优点是不能有短板，每家公司都会在每个环节上试。

以前可以用一句话定义公司：Google技术人才储备强但产品不行，OpenAI是什么，Anthropic是什么。现在这套标签失效了。Anthropic以Coding见长，Gemini和GPT-5的Coding能力也追上来，GPT-5的API增速很快。曲凯问，美国市场不是各自垂直、不竞争吗。莫傑麟说，AI Coding的竞争只会比国内更激烈。

模型和应用互相促进长期是好事：模型解锁能力，应用找到PMF，模型再跟进，应用靠组织和执行力继续做新东西。前提是模型能力还能解锁到什么程度。他也提醒，有PMF的东西太少，大家看到Coding热，就给API和订阅贡献很高收入，OpenAI不可能放着不管。未来一段时间，模型侧的激烈竞争会持续。

曲凯把话题拉到应用。莫傑麟提到，技术结构两三年一次进展，最近一次是o1。o1解锁情商后，应用变多。两个变化明显：大家不再争论应用能做什么；开始接受Validation能覆盖的场景有限，数学、Coding之外，很多场景需要人在过程中。

这成了应用分水岭。行业背景变得重要。Harvey做法律，仍是ARR最高的垂直应用之一；医疗今年有好几家创业公司ARR增速很快，实地访谈中医疗机构评价很高；金融场景也有PMF。技术只是锚点，真正解决的是Workflow、行业语言、使用环境。中国创业者的亮点在模型和Context之间：他们解决一部分Infra问题，让消费者先感受到智能。Manus之后，Genspark、Fellou等产品增速不错。莫傑麟把这两条线视为今年应用端发展较快的方向。

Infra四层：从用卡到Context，推理优化公司的机会与争议 0:12:33

曲凯提到上一期和朱亦博聊Infra，才意识到Infra对模型影响有多大。莫傑麟把Infra拆成四层，逐层解释。

• 第一层在模型和GPU之间，核心是怎么用卡。DeepSeek量化出身，有工程经验，能把上一代卡用好，这是它强的原因之一。梁云峰本人也懂Infra，最近还发了一篇Infra论文。
• 第二层在模型和应用之间，帮应用做推理优化。代表公司是Together AI和Fireworks。
• 第三层是应用层Agent Infra，帮Agent做事，比如订机票。Browserbase、E2B、Sheet0、Grasp都在这一层。
• 第四层是Context layer，决定通过什么Context和用户交流。它更接近应用公司自己的核心。

Together AI和Fireworks的机会来自一个事件：Anthropic调整对第三方模型的服务后，应用公司不愿只在一家模型上跑自己的应用，需要备份推理供应商。这批公司最早做基础设施、数据集搜集、推理，像中间顾问商。现在更多应用公司找它们做推理优化，服务自己的应用。Together AI在硅谷很多地方打DeepSeek的广告，Fireworks由华人创业者创办，最近又拿了更多钱。

争议在于这一层是不是Commodity。莫傑麟认为还要观察。OpenAI、Anthropic这类AI lab想把推理优化自己做掉，技术难度听起来不高，难在运营和管理。另一面，这一层很多技术开源，英伟达也希望开源，开源后应用更多，至少不会在推自己芯片时出问题。核心问题变成能不能收上毛利。

再往上是纯应用Infra。Agentic层做得越好，用户感知越明显。只对话，用户觉得好；对话完顺手帮用户做很多事，感知完全不同。Manus、Genspark、Fellou都在尝试Agentic。Context layer涉及大量无法被RL验证的东西，最后会变成一家公司的核心。莫傑麟提到Manus的CTO写过Context Engineering的研究，讲的正是这一层。

曲凯问，Context是不是更多是应用公司自身机会，第三方Infra机会少。莫傑麟同意。Context像移动互联网时代对用户的理解，也像国内看SaaS时说的「行业Know-how」。他把Know-how分两种：熟不熟悉；能不能真正做出改变。应用层短期很难被替代。

Harvey是例子。一开始大家吐槽它的RAG容易被替换，但它对行业足够了解，结合美国Enterprise生意的粘性，ARR排名仍在前面。医疗公司也是，做得最早的几家仍在第一。Know-how听起来虚，强到能说服客户、把效率提高很多倍时，就由虚变实。

曲凯把视角拉回国内。美国To B繁荣，医疗、金融、兽医、牙医都有垂直Agent。国内To B成功案例少，创始人出海做To B难度更大，最后被逼去做To C和Prosumer。莫傑麟解释，美国Enterprise生意历史长，本质逻辑不太VC，颠覆式创新少，但营商环境稳定，用户取消订阅率低，留存好。隐含假设是旧人难被替代，新人也难颠覆。

越靠近Context，越像应用公司的核心能力；越靠近通用推理，越要回答毛利和整合问题。

英伟达还能涨吗：训练需求后移，推理需求接棒 0:33:13

曲凯问，上一波英伟达上涨靠Scaling Law，现在不讲Scaling Law，也不讲AGI，讲工程化，为什么英伟达还涨这么多。

莫傑麟先给直接答案：Token消耗量一直在涨。o1技术范式出现后，单次Token消耗没有降低，整体Token消耗和推理需求都在涨，英伟达在Stack里的销量一直增长。ASIC公司、AMD今年股价表现也很好，市场和大公司在注意节流，尝试用自有ASIC、AMD解决推理问题。

英伟达的软件和售后服务生态太强，很多公司愿意一站式用它的卡。大公司已经从战略层面思考替代方案。国内长期有H卡、B卡禁运问题，有更多其他卡做推理。投资者和市场都看到，英伟达足够强，但需要节流方案让Infra变便宜。产业链公司今年表现更猛，国内光模块、PCB厂商涨幅超过英伟达本身，它们都在推理层面做优化，适应新趋势。

曲凯问，Infra四层里现在优化重点在哪。莫傑麟说最核心仍在最下面，卡的价格决定所有东西走向。英伟达做得太好，AMD有绝对成本优势，差距仍在软件和售后生态。硅谷做Infra执行遇到软件问题，英伟达随叫随到，帮客户尽快用起来。AMD生态很难做到。这一层的优化是长期趋势，不会特别快。

逻辑延续性强，一定要降本，一定要给英伟达多一些竞争对手，至少在推理端多解决方案。问题在个体公司能不能交付。硬件和软件不同，软件可以越跑越快，硬件需要合理点，交付不出来，市场预期再高也没用。特斯拉Optimus订单逾期就是例子。有硬件公司交付能力强，尤其对大客户，市场认可度高。

曲凯把问题推到英伟达估值逻辑。莫傑麟说，Scaling Law和Token消耗之间有一个中间叙事。英伟达需求分两块：训练用卡，尤其预训练，市场视为周期性需求；推理需求，对应实际用户使用。两块需求此消彼长。

悲观的人认为应用需求来得没那么快，短期高预期把使用需求提起来但不持续，Trade off变成负的：训练需求周期性，推理需求没接住。乐观的人认为推理需求一定很大，英伟达在推理市场份额仍高，Trade off完全成立，可以忽视训练的周期性。

DeepSeek出来时英伟达先跌，跌得比较夸张。随后大家看到强化学习进展让训练需求提高，Meta最近招了很多核心工程师，训练用卡需求也提高，推理需求同时提高。Trade off没有发生，今年两边需求都往上走。训练需求的周期往后移，推理需求起来，英伟达从3万亿到4万亿，现在往5万亿蹦，趋势比较顺。

曲凯问后面核心看什么。莫傑麟说两件事。第一是Meta，为什么在这个时间点花那么多资源组建团队，新模型团队能不能在六到十二个月做出更好的模型。第二是应用需求，美国有个词叫Vibe Revenue，氛围式收入，意思是大家在使用AI，但不知道用AI干什么，收入里有一部分来自过高预期，大家在整体行为渲染下不加思索地增加AI使用。更核心的卡点是能不能出现稳定消耗Token的应用或场景。

应用半壁江山可能由华人来做，硅谷的华人，中国的华人。这个观察偏产品理解，很重要。莫傑麟拿短视频类比：短视频发展到今天，不只有抖音、TikTok、快手，YouTube、Instagram里的短视频消耗需求也非常高。第二部分更偏行业判断，现在的需求能不能稳定持续，能不能找到PMF和产业化的节点。

曲凯问，从跟应用创始人沟通看，需求在哪。莫傑麟说，美国To B非常繁荣，AI在To B降本增效行得通，效益明显。假设美国To B市场本来是一千亿美金，AI再不好用，只要提效5%，就是五十亿美金的增值，账很好算。国内市场区别在于To B没起来，大家都在做To C和To Prosumer，逻辑在Cursor那条线，不在Harvey、医疗、金融那条线。

Cursor最新数据是一年五亿美金ARR。去年国内AI公司达到一千万美金ARR的非常少，已经是高标杆；美国最高三五千万美金。今年Cursor突破五亿美金，国内有些公司往五千万甚至一亿美金走。把To B刨掉，哪怕明年很多国内AI公司做到一亿美金ARR，整体体量仍然小。

莫傑麟认为To B需求确定，降本增效是长期路径。更promising的点是企业永远不想管特别多的人，一旦技术和产品能让企业少管理员，需求就会一直存在。

Google、Meta与抢人FOMO，泡沫和两个观察点 0:39:08

曲凯问美国二级市场今年最核心的关注点。莫傑麟说Google和Meta非常重要，虽然不一定有投资机会，但研究这两家公司对研究AI很重要。

Google被标签化明显：协作效率有问题，技术储备非常强，全栈，硬件软件都强。今年模型进展不只是文字模型，Veo、视频模型、机器人，行业里都认为它是第一、第二名角色。怎么理解这个问题很难。莫傑麟觉得交给国内企业家理解更容易，他们经历过这么大规模的竞争，知道什么要素更重要，也知道有了足够强的能力，能不能通过改变组织模式做出新东西。

这就回到Meta。Meta能不能凑出一个模型，是现在最大的辩论。一部分人认为临时凑的团队Vision不一致，很难compete下一代模型。另一部分人认为招的人都是每个Lab最头部，不只有优秀，还有一线工程经验，很多上过镜，是OpenAI发布会上的人。

两个课题加在一起，透射出一个投资上很重要的点：大家还在FOMO情绪里。最早的FOMO来自2023年，一定要有模型，一定要买卡，一定要做算力。Meta这一系列招聘动作反映出来，FOMO在2025年没有结束，反而越来越强。本来大家感觉没这么深，Meta靠一己之力又把FOMO起来了。

国内腾讯也在做类似的事，可能没那么夸张。美国除了Meta、Google，微软、ServiceNow这半年的招聘动作都很夸张。ServiceNow已经做了三四个收购，觉得招不到人，通过收购解决。微软Copilot被说做得太差，也在狂招做Post-training和产品的人。FOMO从抢卡延伸到抢人，体感在变强。

为什么值得研究。2023年FOMO由OpenAI带来，我得买卡，我得把预训练改好。今年的FOMO由什么带来，每个人视角不同。莫傑麟的视角是离产业化越来越近。ServiceNow有场景，帮企业做Workflow；Microsoft有五百强的Franchise；腾讯在国内有很强的场景价值。有场景的公司切身体感受到，AI能力像当年移动互联网的地推，把线下挪到线上，现在AI自动让大家进入新场景。有场景、有能力的公司越来越感受到，AI是切身商业场景里离产业化越来越近的趋势，人会坚定地做判断和动作。

曲凯把话题拉到宏观。之前关键词是Scaling Law，现在是Token消耗，Token消耗带来二级市场股票增长，国内是牛市，录制这两天牛市更加确认。两人半年前聊「东升西落」，美股其实不算落，涨得特别好，落完迅速回去。莫傑麟笑说上次讲得没毛病，东升西又升。

曲凯问这个趋势能维持多久。莫傑麟记得之前讲过，对美国大景气度而言，AI非常重要。瞎说一个比例，AI和科技发展的景气度对美国景气度可能占三分之二，甚至更重要。曲凯提过一句话，AI是所有资产里唯一的泡沫。莫傑麟目前仍觉得事实如此。

但泡沫打引号，不是贬义词。以前认知的泡沫附加条件是这个东西是骗局，至少没有太大发展空间。AI显然不是，它重要，有发展空间，同时有泡沫。泡沫体现为估值，创始团队、管理层可以拿到更大激励、更多资源去做事。

对美国大景气度，AI占主导作用，它代表科技生产力，能不能持续保持领先，进而决定很多方面的实施。对中国，AI也重要，但没那么重要。中国宏观经济、二级市场情绪由更多方面决定：花债问题、居民存款、投资意向、风险偏好、制造业周期。对美国判断见仁见智，同时又比较简单：大家怎么看待AI的工业化和产业化进程是不是像想得那么顺利。

不同人对颠簸程度的受力感不同。三到六个月的停滞期，发展没有预期好，算不算问题。如果这些问题都不算，很多人会觉得一直长流。如果预期已经到产业化很快可以替代人，这个替代过程不是一蹴而就，中间会碰到法规、公司决策、技术、Infra实施、云服务成本的影响，过程中会有颠簸。

莫傑麟整体感觉美国跟之前一致，取决于大家对AI发展心理预期的波动。持续保持领先、持续发展、产业化工业化持续加速，整体偏向上。宏观上特朗普的政策对科技公司、地缘的干预会影响股市，科技对美国整体发展仍起决定性作用。中国少一些。最近金融牛市，大家说心理预期和风险偏好发生变化，两边看起来一致，内核不同。

曲凯问，英伟达3万亿时，核心假设是模型能力往上走、Scaling Law有效。现在有没有一个核心假设和待验证的点，万一证伪，Bubble可能破掉。莫傑麟说，Scaling Law和消耗量之间，对英伟达个体存在一个中间叙事。需求分两块：训练用卡，尤其预训练，市场视为周期性需求，模型训到一定程度、架构不再大变，需求会有周期；推理需求，实际用户使用。Scaling Law对应训练，Token对应推理。

两块需求此消彼长。悲观的人认为应用需求来得没那么快，高预期短期提起使用需求但不持续，Trade off变成负的。乐观的人认为推理需求非常大，英伟达架构和服务先进，推理市场份额高，Trade off完全成立，可以忽视训练的周期性。DeepSeek出来时英伟达先跌，跌得夸张，随后强化学习进展让训练需求提高，Meta招核心工程师也提高训练用卡需求，推理需求同时提高。Trade off没有发生，两边都往上走，训练需求周期后移，推理需求起来，3万亿到4万亿，往5万亿蹦，趋势比较顺。

A股是不是真牛市，散户成了关键变量 0:54:48

曲凯问A股到底是不是牛市，怎么判断。莫傑麟先自嘲，这个点所有人讲都会打脸。二级市场是预期的投射，悲观或乐观。科技对美国重要，因为代表长存的预期，毛利率很高。

他回想2024年1月录「乐观」那期，中国资产已经把很多悲观预期打进去。当时提到一个点：很多人有悲观预期，大家也没有躺平，周围的创业者、大公司负责人手上没看到躺平迹象。两年后观察到的变化是，他们找到了一些能做得比全世界其他团队更好的事情，不只是AI，还有泡泡玛特、中国的生物医药。从「我只是预期积极向上、扎扎实实做产业」，变成「我真的有一些东西能做得特别特别好」。AI里大家熟悉的是DeepSeek、Manus、Genspark。

牛市几个要素。第一，要有一批公司优质且有持续业绩输出，从去年开始具备，从小米那批公司开始。第二，风险偏好要提高，直接来自正反馈，在市场里赚到钱。曲凯发过一张图，主拐去开户，就是一个体现。

莫傑麟提到今年美国在关税时落得很狠，回来也很巨大，这波波动里重要的群体是散户。现在散户跟原来不同。投研工具不同，复图鉴类App，美国是Robinhood，做得非常好。能拿到的投研内容、信息内容，跟上一个牛市完全不一样。专业媒体、专业KOL发的东西也不同。

散户对基本面判断正确与否见仁见智。散户对牛市行情的重要性值得研究。散户更团结，对一个东西的喜好更坚定。美国最优秀的投资机构是平台类资产，周转特别快，靠周转获取Alpha。如果一个市场全是高周转资金、全是量化，形成牛市难度更高，资金都在博弈。

散户有Conviction。美国散户知识的公司最早是特斯拉，后来演变成Palantir。莫傑麟说，他对这公司的认知不会过一星期就变，不会聊完就觉得Palantir不行要卖掉。高知散户群里很难出现这种局面。

曲凯提醒，这跟通常认知相反。大家认为美国机构占比最高，国内散户占比高，所以总说要引入长线投资，长钱买了放着，减少波动。莫傑麟说，这两年二级市场跟以前完全不同。美股资金结构一大半来自量化和平台，这些是博弈型或跟随型资金。所谓长钱比例大，但基本不动，周转周期非常慢。市场剧烈波动一方面由平台、量化机构贡献，剩下20%到30%可能是散户。波动型、博弈型资金里有60%到70%是跟随性的，没那么团结。你买这公司，预期是什么，预期错了，我跟你做反向交易。散户通常不太做过多博弈动作。

结论从交易结构看，长钱、大钱仍占绝对主导，交易频率太低，引发不了六到十二个月的剧烈波动。真正在交易的钱里，一大半不团结，互相博弈、跟随。打引号的散户群体非常有意思。

这两年很多做一级市场的小伙伴也做二级市场，都有正反馈。因为看好英伟达、特斯拉赚到钱，就会形成自己的投研或投资体系，这在长牛市场里很重要。A股历史上牛短熊长，个人投资者的投资反馈系统很难完全建立，刚做对一些事，市场迅速没了。美股熊短牛长，多了解特斯拉，对公司的了解能不能转化为投资策略，并获得正反馈信号，去做下一笔交易。在长牛为主的市场，很多中国散户、个人投资者也在看美股，投资体系的形成很夸张。莫傑麟最近专门研究这个课题：这次美股从关税以后到现在，散户的活跃情况、选股过程值得借鉴。

他分享Palantir。最早觉得好，纯粹因为订单。当时认为AI在美国企业端应用里，Palantir是绝对受益的角色，商业模式和团队合适。发展到今天，Palantir做咨询实施、AI实施的组织模式、产品交付模式，在美国很多企业端应用推广，大家觉得内部组件模式OK，也学它的AI Stack系统。Palantir是散户推起来的公司，推到接近一两百倍PE，但这公司有基本面。研究散户很重要。

回到A股，莫傑麟倾向相对乐观，但有个重要变量：中国个人投资者怎么应对。上一批老股民平均二十年，怎么理解这个事情，怎么把从美股学到的经验，哪怕不炒美股也会看到一些经验，移植到A股、中国科技资产里。这是很有意思的研究课题。

曲凯问，美股AI表现好的是那几只大票，未来会有什么变化。莫傑麟说，市场一直尝试从Infra切软件，因为Infra好了之后应该产生软件应用行业的大牛股。过去两年代表角色一直被Palantir占据，切软件一直没太切过来，大家发现还是Infra公司有数据、有Demo、有人才，所以一直炒Infra。最多时不时看完英伟达看产业链，看ASIC，看CoWoS、IF，或者更便宜的芯片解决方案AMD。这两年一大半交易热情在这边。

今年出现一些有意思的应用公司。第一家Reddit，GPT高频使用Reddit数据，它像美国的知乎加B站加小红书，没有被过度商业化，社区数据质量被认可。莫傑麟常想，知乎、小红书如果有很强AI团队，做AI产品会变成什么样。Reddit跟OpenAI合作紧密，是中国投资者很有研究优势的公司。

第二家ServiceNow，国内知道的人少。最早帮企业做Workflow，以咨询模式看工作流里哪些能固化成系统，半咨询半交付，最终以软件交付，工作非常辛苦。Salesforce卖CRM，每家公司都有需求，产品相对简单，比拼销售和渠道，增量更快。ServiceNow先慢后快，帮很多五百强做Workflow，场景里出现数据软件、CM软件，能不能也帮我做。2023年开始从Workflow软件涉足其他软件，做SaaS里大家最喜欢的加购逻辑，像解决方案提供商，从解决方案交付产品，最后占管理层心智。交付能力、工程能力非常强。国内创始人做美国企业端客户，最该研究ServiceNow。

第三家Figma，刚上市。国内研究SaaS时对PLG公司很有热情，Figma、Notion契合华谊的优势项目，做增长、找增长点，像现在讲的Prosumer。AI那批公司几乎都是AI Winner，没人定义它们是Loser。Figma评价两极：一级觉得是设计公司，产品和技术思维有障碍、不够先进；国内做设计场景的创业公司觉得会有更原生AI的公司把场景做掉，甚至通用Agent就能做。莫傑麟说要分开看。Validation不全泛化时，任何应用一定有Context layer，里面有两个角色：使用者是谁，产品交付做什么。Figma的设计师不在同一家公司工作，设计迭代到模板，核心讲协作。它对AI的挖掘偏艺术性，值得关注。不能假设AI纯泛化，Coding两三年基本是Forgentic，设计场景看不到。Figma在协作场景、分析师环境里找PMF，值得研究。Transport也出了设计端产品，国内也有创业公司做。Figma算中生代公司，怎么Adopt AI，比全新公司最大优势是有场景、有资源，上市估值四百亿美金，容易招人。如果它能做出东西，其他几百亿美金公司、中国一两百亿几十亿美金公司，是不是也能找到路径Adopt AI。

还有Duolingo，老生常谈，从AI Loser变Winner，最近又变Loser。很大原因是GPT使用量、语音接口做得好。Duolingo数据稍微平缓，想学YouTube推全家方案，数据没想得那么好。

一级市场的夸张估值，与创业者面对的现实 1:08:41

曲凯问美国一级市场。莫傑麟说最重要的话题是模型公司估值越来越夸张。Thinking Machines一上来上百亿估值，全明星团队。投资人更加追捧创始人，至少在美国，尤其模型产业。Scale AI被收购，也坚定大家信心。

他给一个视觉补充。国内看到美国很多新闻是二手的，很多只是结果，不知道复杂过程。美国和中国有时候类似，里面有各种残局的人、各种可能，背后交易有其他目的。不能只看结果。比如一亿美金招人，实际是多少，Deal怎么谈，前奏能不能拿到，里面有很多复杂细节，除了交易条款还有大背景。

回到AI，最重要的事情是AI个体性很强。内部叫「百分之一」，不一定是优秀，可能是特别。小红书当时就很特别。美国一级市场融资对特别的估值给得很夸张。都是做AI预训练，训练过的规模量级、模型Record，会造成非常大的差异。莫傑麟十几年从业，从没看到第二梯队和第一梯队估值差异这么大。除了AI行业，其他很多公司融资并不顺利，这是另一个差异。

Anthropic在Close新一轮融资，很多人提示风险。Anthropic和OpenAI这几年融资有很多个人投资者的钱。一方面提示SPV交易层层圈套，交易架构有问题。另一方面，莫傑麟周围很多工程师朋友投了这两家公司二手份额，事实证明赚了很多钱，整体是正反馈。所以大家继续愿意在上百亿美金规模投Thinking Machines，因为看到在Anthropic、OpenAI身上有人投二手份额赚到钱。Scale AI让很多人看到，只要参与行业变成核心角色，Meta需要我，就能通过收并购卖很多钱。这是美国一级市场的正反馈。

曲凯问国内融资环境是否接近美国这种慷慨局面。莫傑麟说曲凯提的二级市场反馈闭环很好，之前没想到。A股确实没有长牛，很难建立反馈闭环，大家建立的是猥琐发育、近合关系的反馈闭环。一级市场，美国比国内最好的地方是有很好的生态，生态就是闭环，有生态才能避免各种闭环。国内没有很好的生态，变成单点击破的形态，最终几家公司拿到最多的钱，赚到最多的钱，几家投到这几个公司的机构赚到最多的钱。

国内一级市场近一两年几个变化。第一，市场在往下走，两年跌宕起伏，今年上半年比去年好一点，但两三年整体跟前五年、前十年比是往下走。它越来越像偏职能型的部门，不是很大驱动增长、有很大增量的事情，是偏职能型的，不管哪个国家一定需要新的创业公司出来。第二，两极分化越来越严重。大家觉得今年一级市场特别好、AI特别火热，Manus等很多公司拿了很多钱。从绝对数量讲，跟往年没有本质区别。国内今年AI热度可能是去年十倍，因为DeepSeek、Manus带起来，合理。实际投资数量没有十倍，但那些公司拿到钱可能是去年十倍。结果就是两极分化，大家仍想在最好团队、最好公司里投钱，趋势看起来会继续。

曲凯回忆2023年在莫傑麟家，让他给刚开始做模型创业的人分享，张月光、曹越、小红书都在。曲凯问接触那么久，创业者状态如何，景气度怎么样，最大困难是什么。

莫傑麟说，接触的创业者整体状态差不多。首先越来越相信，事情一直在往前走，这是大前提。遇到的问题，跟模型的竞合始终是个问题：怎么更好利用模型技术做更好的产品，反过来又不在模型主干道上被模型吃掉。另外是资本市场和用户市场的纠结。很多公司首选做出海，海外付费能力更强、付费意愿更强、潜力更多。这些至少目前还是问题。

他想强调一个点。很多人觉得国内市场没法做。真正理解这件事的话，国内市场可做。大家容易感性判断，听了一些观点觉得国内做不了。真正拆解开来，为什么能做，为什么不能做。做海外是因为海外付费能力强，AI成本高，只有做海外才能Cover成本；成本高不能做大DAO的产品；还有融资环境。真正想的话，国内Token成本未来是不是能下降到几乎为零，莫傑麟觉得可以。到那时是不是不需要担心这些问题，是不是又能把移动互联网路径走一遍，又能做大IDA产品，靠广告赚钱，做社交产品。中长期看国内市场仍有机会，当下这个阶段大家先做海外。

曲凯提到Vibe Coding。Transport在旧金山很多地方广告叫Vibe Working。周围做久VC的人在做Incubator、加速器，逻辑是Coding越来越便宜，更容易在早期更低成本验证PMF。国内也有人投一人公司、两人公司，支持独立开发者。

莫傑麟观点跟大多数人有点不一样。未来公司效率是不是更高，需要的人是不是更少，他觉得是。这来自非常新的组织结构应对AI变化，结果可能效率更高、人更少，更少的人做更多事。但是否一定带来一人公司、几人公司，跟国内市场有没有机会类似，大家容易纠结概念。你到底是不是一人公司又怎样，两个人能把事做得更好，为什么一定要一个人，还是性价比问题。

大家经常看到美国一个人一年赚几百万刀，国内很少。原因之一还是生态，美国生态好，能赚的钱就是多。另一个原因容易被忽略：国内典型独立开发者有非常强的Engineer Coding能力，商业经验偏少。

曲凯提到标题时代占据流量太多重要性，推送都看标题。复盘Token消耗时，视频对Token消耗的增速非常快，曲线一直在文字上面，增速更快，绝对数也蛮多。大家在找到底哪些应用在消耗这个增速，熟知的是可灵这些工具，有没有有意思的应用。

莫傑麟说年初做过复盘总结加今年展望，明确讲了两个点：Agent智能和多模态，到目前为止仍非常正确。Agent那波已经过去，下一波是多模态，最主要的部分是视频。截止到今天之前，AI视频大多偏特效、剪辑，包括增速快的图片转视频。这些方向像Character.ai的阶段，不是那么多模态内体的东西。大家在等Veo这类模型做得更好、成本更低的时候，会不会有类似Manus的产品在多模态里出现。它可能是更多模态Native的内容社区产品，可能是多模态推理，也可能是更像世界模型的探索。那个时间点出现后，会像Manus一样带起半年甚至更久的一波浪潮。当下Agent之后，市场在相对冷静期，大家在等更新的东西。

曲凯问莫傑麟团队未来的规划。莫傑麟说比较兴奋的点是从AI研究者变成用AI帮助。投资行业底层是生产力和Documentation，由一堆文字材料组成。内部已经在组建新团队，把研究和AI做更多结合，目前服务自己的投资。起了一个偏开源的名字WhatIf，逻辑是让过去由于投研能力达不到被忽略的认知，更好加入投研过程。定期做讨论活动，让大厂Researcher、工程师、CVC，以及投资方面有新的体系理论的朋友参与。有兴趣可以报名，目前运营能力有限，上线会在抵达一百个人的过程当中。

曲凯收尾，感谢莫傑麟。